Fugu-MT 論文翻訳(概要): SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking

論文の概要: SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking

arxiv url: http://arxiv.org/abs/2602.20792v1
Date: Tue, 24 Feb 2026 11:31:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-25 17:34:53.726488
Title: SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking
Title（参考訳）: SIMSPINE - 3D Spine Motion Annotation and Benchmarkingのためのバイオメカニクスを意識したシミュレーションフレームワーク
Authors: Muhammad Saif Ullah Khan, Didier Stricker,
Abstract要約: 解剖学的に一貫した3次元の脊髄キーポイントで人間のポーズデータセットを増強する生体力学対応キーポイントシミュレーションフレームワークを提案する。私たちはSIMSPINEという名の最初のオープンデータセットを作成し、自然の全身運動に脊椎レベルの3D脊髄アノテーションを提供する。 2.14万フレームを使用すると、微妙な姿勢変化から脊椎キネマティックスをデータ駆動で学習することができる。
参考スコア（独自算出の注目度）: 19.28827026574636
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modeling spinal motion is fundamental to understanding human biomechanics, yet remains underexplored in computer vision due to the spine's complex multi-joint kinematics and the lack of large-scale 3D annotations. We present a biomechanics-aware keypoint simulation framework that augments existing human pose datasets with anatomically consistent 3D spinal keypoints derived from musculoskeletal modeling. Using this framework, we create the first open dataset, named SIMSPINE, which provides sparse vertebra-level 3D spinal annotations for natural full-body motions in indoor multi-camera capture without external restraints. With 2.14 million frames, this enables data-driven learning of vertebral kinematics from subtle posture variations and bridges the gap between musculoskeletal simulation and computer vision. In addition, we release pretrained baselines covering fine-tuned 2D detectors, monocular 3D pose lifting models, and multi-view reconstruction pipelines, establishing a unified benchmark for biomechanically valid spine motion estimation. Specifically, our 2D spine baselines improve the state-of-the-art from 0.63 to 0.80 AUC in controlled environments, and from 0.91 to 0.93 AP for in-the-wild spine tracking. Together, the simulation framework and SIMSPINE dataset advance research in vision-based biomechanics, motion analysis, and digital human modeling by enabling reproducible, anatomically grounded 3D spine estimation under natural conditions.
Abstract（参考訳）: 脊髄運動のモデル化は人間の生体力学を理解するのに基本的であるが、脊椎の複雑な多関節運動学と大規模な3Dアノテーションの欠如により、コンピュータビジョンでは未解明のままである。筋骨格モデルから得られた解剖学的に一貫した3次元脊髄キーポイントを用いて、既存の人間のポーズデータセットを増強する生体力学対応キーポイントシミュレーションフレームワークを提案する。このフレームワークを用いて,屋内マルチカメラの自然なフルボディ動作に対して,外部の拘束を伴わないスパース脊椎レベル3次元脊髄アノテーションを提供するSIMSPINEという,最初のオープンデータセットを作成する。 2.14万フレームで、微妙な姿勢の変化から脊椎キネマティックスのデータ駆動学習を可能にし、筋骨格シミュレーションとコンピュータビジョンのギャップを埋める。さらに, 微調整2D検出器, 単眼3Dポーズリフトモデル, 多視点再構築パイプラインを対象とし, 生体力学的に有効な脊椎運動推定のための統一的ベンチマークを構築した。具体的には、我々の2Dスピンのベースラインは、制御された環境下では、最先端の0.63から0.80AUCに改善され、幅内スピントラッキングでは0.91から0.93APに改善された。シミュレーションフレームワークとSIMSPINEデータセットは、自然条件下で再現可能で解剖学的に基底付けられた3Dスピンの推定を可能にすることで、視覚ベースの生体力学、運動解析、デジタルヒューマンモデリングの研究を推進している。

関連論文リスト

MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
論文参考訳（メタデータ） (2026-02-17T17:09:45Z)
UniMo: Unifying 2D Video and 3D Human Motion with an Autoregressive Framework [54.337290937468175]
統合された枠組み内での2次元映像と3次元映像の協調モデリングのための自己回帰モデルUniMoを提案する。本手法は,正確なモーションキャプチャを行いながら,対応する映像と動きを同時に生成することを示す。
論文参考訳（メタデータ） (2025-12-03T16:03:18Z)
Geometric Neural Distance Fields for Learning Human Motion Priors [51.99890740169883]
本研究では,より頑健で時間的に整合性があり,物理的に妥当な3次元運動回復を可能にする新しい3D生成人体運動について紹介する。 AMASSデータセットをトレーニングし、NRMFは複数の入力モードにまたがって著しく一般化する。
論文参考訳（メタデータ） (2025-09-11T17:58:18Z)
From Skin to Skeleton: Towards Biomechanically Accurate 3D Digital Humans [50.014530130312714]
SMPL体モデルに生体力学スケルトンを付加したSKELを開発した。その結果,SKELはSMPLよりも生体力学的に正確な関節位置を有しており,骨は従来法よりも体表面に収まることがわかった。
論文参考訳（メタデータ） (2025-09-08T12:24:27Z)
Towards Unconstrained 2D Pose Estimation of the Human Spine [12.131745767490298]
SpineTrackは、制約のない環境で2Dスピンのポーズ推定のための最初の包括的なデータセットである。 SpinePoseを導入し、知識蒸留と解剖学的正則化戦略を用いて、身体と脊椎のキーポイントを共同で予測する、最先端のボディポーズ推定装置を拡張した。
論文参考訳（メタデータ） (2025-04-10T20:11:02Z)
BioPose: Biomechanically-accurate 3D Pose Estimation from Monocular Videos [6.280386490530478]
BioPoseは、モノクロビデオから直接、生体力学的に正確な3Dポーズを予測するための学習ベースのフレームワークである。マルチクエリヒューマンメッシュリカバリモデル(MQ-HMR)、ニューラル・インバース・キネマティクス(NeurIK)モデル、および2Dインフォームド・ポーズ・リファインメント技術を含んでいる。ベンチマークデータセットの実験では、BioPoseが最先端の手法を大幅に上回っていることが示されている。
論文参考訳（メタデータ） (2025-01-14T02:56:19Z)
MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文参考訳（メタデータ） (2024-04-16T02:18:18Z)
3D Kinematics Estimation from Video with a Biomechanical Model and Synthetic Training Data [4.130944152992895]
2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-02-20T17:33:40Z)
Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion Modeling [83.76377808476039]
本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
論文参考訳（メタデータ） (2023-08-18T16:41:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。